时间复杂度和空间复杂度的计算
O() 大O表示法表示复杂度。
时间复杂度公式为： T(n) = O( f(n) )，其中f(n) 表示每行代码执行次数之和，而 O 表示正比例关系，这个公式的全称是：算法的渐进时间复杂度。注意：大O符号表示法并不是用于来真实代表算法的执行时间的，它是用来表示代码执行时间的增长变化趋势的，所以只保留最高阶项并且忽略常数项。
常见的几种复杂度： O(1)、O(n)、O(n²)、O(logn)。还有更高的比如指数阶和K次方阶，但我觉得不会有谁想用怎么高复杂度的算法，就只分析以上4种的计算方法。
1.常数阶 O(1)。无论代码执行了多少行，只要是没有循环等复杂结构，因此它消耗的时间不随着某个变量的增长而增长。记住要用常数1取代运行时间中的所有加法常数。
2.线性阶 O(n)。有for循环，里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的。
3.平方阶O(n²)。 如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²) 了。当然嵌套的循环时m次，就是O(m*n)。
4.对数阶O(logn)。这个需要举例：
int i = 1;
while(i<n)
{
i = i * 3;
*}
在while循环里面，每次都将 i 乘以 3，乘完之后，i 距离 n 就越来越近了。我们试着求解一下，假设循环x次之后，i 就大于 n 了，此时这个循环就退出了，也就是说 3 的 x 次方等于 n，那么 x = log3n。因此这个代码的时间复杂度为：O(logn)
思考：线性对数阶O(nlogN) 将时间复杂度为O(logn)的代码循环N遍的话，也就是在前面加一个for循环，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。
同理
空间复杂度：算法在运行过程中临时占用存储空间大小的一个量度，同样反映的是一个趋势，通常用 S(n) 来定义。
空间复杂度比较常用的有：O(1)、O(n)、O(n²)
1.如果算法执行所需要的临时空间不随着某个变量n的大小而变化，即此算法空间复杂度为一个常量 O(1)。注意: 如果这段代码里有for循环，但没有再分配新的空间，时间复杂度也不会因为循环而改变。
2.举例 int[] m = new int[n]。这段代码中，创建了一个数组出来，这个数据占用的大小为n，因此空间复杂度为 O(n)。和时间复杂度一样，如果加一个循环在这行代码前面，空间复杂度变为 O(n²)。